基于kNN算法的電力系統設備隱患在線識別方法研究

段翔兮，張華，高藝文，孫永超，胡蓉

（國網四川省電力公司電力科學研究院，四川 成都 610041）

近年來，隨著信息技術的發展速度越來越快，電力系統設備越來越發達，但是電力系統設備一旦出現問題就會影響整個系統的正常運行，因此必須要對信息進行在線識別。最先進的識別技術便是近年來提出的新媒體交互技術，它的開放性、靈活性、交互性及連結性推動了我國信息社會構建模式的改革，為信息技術的發展提供了有利的平臺。但新媒體交互技術在電力系統中的應用還處在一個成長的階段，存在一些不足之處，比如說信息安全性不足，容易被入侵，導致隱患信息識別不準確[1]。

因此，本文基于kNN（k-nearest neighbor）算法提出了一種新的電力系統設備隱患在線識別方法。kNN算法又稱k最近鄰分類算法，所謂k最近鄰，就是k個最近的鄰居的意思，說的是每個樣本都可以用它最接近的k個鄰近值來代表。kNN算法是一種非常特別的機器學習算法，通過測量不同特征值之間的距離來進行分類，它沒有一般意義上的學習過程，主要是利用訓練數據對特征向量空間進行劃分，并將劃分結果作為最終算法模型[2]。本文采用kNN算法充分提取電力系統設備內部隱患信息狀態，利用靜電力反饋波形對信息進行在線識別，提高電力系統設備隱患信息的識別效率和識別精度。

1 基于kNN算法的電力系統設備隱患信息提取

為實現本文研究的基于kNN算法的電力系統設備隱患在線識別方法，首先是該技術下電力系統設備隱患信息提取的設計。本文應用了Vicon光學動作捕捉系統，Vicon系統是世界上第一個設計用于動畫制作的光學動作捕捉系統。通過使用Vicon完成設備狀態捕捉，以此來完成對于設備運行狀態的分析，使用定點攝像頭的Vicon系統將定位點附著于受試者需要被分析的部位，從而使動作捕捉系統能夠檢測到設備工作中的變化，設備檢測示意圖如圖1所示。

圖1 設備檢測節點示意圖Fig.1 Schematic diagram of device detection node

通過捕捉設備節點狀態，從而達到識別設備工作中變化過程與趨勢的目的，進而分析是否存在故障[3]。在圖1中，節點為主要的觸覺感知部位，因此使用了8個定位點對設備進行標記，使得攝像頭可以捕捉到設備運行的動作，以此來判斷出是否存在故障，通過這些數據的采集，傳輸到虛擬現實系統中，使用一款紅外三維運動捕捉系統的數據采集軟件Vicon Nexus進行故障數據識別處理，如圖2所示。

圖2 隱患信息捕捉過程Fig.2 Hidden danger information capture process

采用Vicon系統模型完成隱患信息捕捉后，運用kNN算法提取電力系統設備隱患信息，具體過程如下。

設電力系統設備隱患提取的最優函數為f(xi,θ)，則構建的提取誤差最小函數為

式中：L(yi)為電力設備隱患信息的誤差限定函數。

kNN算法主要是靠周圍有限的鄰近的樣本來確定所屬類別，因此，可通過測量不同特征值之間的距離來進行分類?；趉NN算法的電力系統設備隱患信息樣本與訓練樣本之間的鄰近性一般采用歐式距離來度量，假設在電力系統設備隱患信息樣本中存在l，g兩點，則兩點間的歐式距離計算公式為

式中：li，gi分別為測試組向量與訓練組向量中的元素。

在電力系統設備隱患信息中質量B定義為所有信息樣本屬性值與質心距離的平方和，則質量B的計算公式為

對質量信息B進行評價，則可以完成電力系統設備信息的提取。

當滿足下式則判定電力系統設備隱患信息為可提取信息：

2 基于kNN算法的電力系統設備隱患信息識別

在完成了基于kNN算法的電力系統設備隱患信息提取的設計后，需要對基于kNN算法的電力系統設備隱患信息進行在線識別。在在線識別感官體驗的環節中，觸覺渲染是關鍵的一步，為了將設備中的各種信息進行反饋，達到更好的體驗效果，本文提出了基于kNN算法原理的圖像紋理特征提取技術，該技術可以根據設備的紋理特征來生成觸覺反應，以此達到在線識別的效果[4]。

根據靜電力的凹凸特性，工作人員通過觸覺反饋方法去模擬采取靜電力的反饋的波形，這樣就可以高度地還原模型狀況的真實性，利用工作人員的觸覺采集指紋進行kNN算法和人工智能分析，儀器就可以得到靜電力的反饋波形[5]。當工作人員進行觸覺試驗時，由摩擦力、靜電力、支持力三力的合力保持接觸的穩定性，通過各個力的分解分析得出合力是觸覺點摩擦過程中受到的反作用力[6]。

人工觸感受力示意圖如圖3所示。

圖3 人工觸感受力示意圖Fig.3 Schematic diagram of the of artificial touch sensitivity forced

根據圖3力的分析，工作人員不同的觸摸方法或者不同位置的觸碰，最終得到的合力的大小和方向都不相同。通過工作人員觸覺反饋波形，判斷工作人員對屏幕的施加力，并將3個力進行正交分解[7]。因為工作人員的動作不可能百分百還原，所以每次觸覺反饋靜電力波形都不相同。靜電力觸覺示意圖如圖4所示。根據多次實驗結果并結合韋伯費希納定律分析得出規律，人的感觸量和力發生過程的時間成正比。當工作人員在對屏幕完成一個動作，越靠近結束時，靜電力越大，這就完美地解釋了物體邊緣靜電力波形幅度越大的事實[8]。

圖4 靜電力觸覺示意圖Fig.4 Schematic diagram of electrostatic force and touch

在工作人員進行靜電力反饋波形提取前，電力系統設備信息分析要進行簡單地初始化操作，主要是為采取靜電力過程中波形圖進行數據化處理[9]。對采集的波形圖像的大小格式和像素點進行初始化設置[10]。采集掃描分為正常掃描和紅外定位掃描兩步驟。相關人員的觸覺高度反饋模型以圖像灰度值最為標準，反饋過的靜電力波形圖的像素高度設為a[11]。

本文構建的基于kNN算法的電力系統設備在線識別方法，為了突出環境中物體的多維性，需改變傳統的二維元素虛擬環境。因此，本文在二維圖像為基礎的條件下，在靜電力波形反饋的同時，增加對虛擬環境中元素進行三維的渲染[12]。近年來比較簡單的虛擬三維實物構建的方法為三維恢復解決方法[13]，主要是在二維圖像的基本配置中結合陰影恢復模型。這樣構建出的虛擬環境的三維事物更加真實還原靜電力反饋波形圖，也有利于靜電力觸覺渲染過程的進行。靜電力反饋波形圖如圖5所示。

圖5 靜電力反饋波形圖Fig.5 Electrostatic force feedback waveforms

通過靜電力反饋波形圖分析設備的運行狀態[14]。因為本文創建虛擬環境借助的是unity3D的方法，此方法中的模型都具有各自的標簽屬性，所以在陰影恢復模型中增加數據預處理，這樣才能在unity3D的環境中構建虛擬現實環境[15]。陰影恢復法是圖像整體通過圖像的本身色差進行兩個部分分割，分割避免了可能由于色差過大對二維實物構造的不準確的問題。陰影恢復法可以忽略二維實物構造過程中物體表面反射情況和不可避免的系統誤差帶來的影響。相對于傳統的陰影恢復法，本文的方法一方面優化與默認了光源來自無限遠處，排除了圖像以及燈光聚焦的影響。另一方面優化了構建虛擬二維實物的朗伯體模型，提高了事物的反射質量，也保證了成像的主視圖位置，從而更有利于對信息邊界進行提取和修改。三維對象的渲染和紋理邊界提取是在3D模型中進行的，對靜電力觸覺模型主要分為4個部分：

1）確定要構造的實物；

2）識別視圖中的電力系統模型并確定電力系統事物的紋理邊界；

3）在unity3D模型系統中結合靜電力反饋波形圖對三維實物的渲染值進行確認；

4）對電力設備對象的紋理邊界進行提取。

具體操作流程圖如圖6所示。

圖6 靜電力觸覺模型操作流程Fig.6 Operation flow of electrostatic force haptic model

此次提取需要注意的是，在對電力系統設備對象進行紋理邊界提取時所采用的方法與二維圖像過程中渲染視圖的方法不同，二維圖像過程中渲染視圖的方法為平面的法線方法，此次渲染過程中采用的方法為俯視圖法[16]。必須要進行方法的調換否則會渲染視圖不成功。另外，二維圖像的紋理邊界提取過程中的高度還原是梯度還原，但是三維事物的紋理邊界提取是離散型還原，這個還原方法要注意更改，否則三維對象的高度還原模型和二維對象模型一樣，就無法進行下一步驟的視圖渲染。

3 實驗研究

3.1 實驗目的

為了檢測本文所提出的基于kNN算法的電力系統設備隱患在線識別方法的效果，與傳統的在線識別方法進行對比，設計實驗并分析實驗結果。

3.2 實驗參數

設定實驗參數如下：處理器為ARM處理器，操作系統為Windows10，工作電壓120 V，工作電流150 A，工作頻率320 Hz，操作環境為TPU，編輯語言為C++語言，接口為I/O接口。

3.3 實驗過程

根據上述的實驗參數與實驗環境設置，進行實驗過程設置：在相同的實驗條件下，以電力系統設備隱患識別效率、識別精度為實驗指標，將本文方法與傳統方法進行對比驗證，并將獲得的數據整理成折線圖，以便于觀察實驗對比結果。

3.4 實驗結果與分析

3.4.1 識別效率對比結果

本文方法與傳統方法的識別效率對比結果如圖7所示。

圖7 識別效率對比Fig.7 Comparison of recognition efficiency

從圖7中可以看出，在實驗次數不斷增加的情況下，所提方法的識別效率始終高于傳統方法，因此充分說明所提方法能夠有效提升電力系統設備隱患的識別效率。

3.4.2 識別精度對比結果

經過一段時間的運行后，識別精準度如圖8所示。

圖8 識別精準度Fig.8 Recognition accuracy

根據圖8可知，當識別時間為2 h時，傳統識別方法識別精準度為29%，本文識別方法識別精準度為72%；當識別時間為6 h時，傳統識別方法識別精準度為37%，本文識別方法識別精準度為79%；當識別時間為10 h時，傳統識別方法識別精準度為39%，本文識別方法識別精準度為92%；當識別時間為14 h時，傳統識別方法識別精準度為79%，本文識別方法識別精準度為97%。

通過以上數據可以得出，本文所研究的基于kNN算法的電力系統設備隱患在線識別方法在識別精度、識別效率方面都遠遠高于傳統方法?？梢杂行У馗纳苽鹘y識別方法的不足，滿足電力系統設備提出的檢測要求。

4 結論

本文在傳統的電力系統設備隱患在線識別方法的基礎上，提出了基于kNN算法的電力系統設備隱患在線識別方法，得到以下結論：

1）采用Vicon系統模型完成隱患信息捕捉后，運用kNN算法提取電力系統設備隱患信息，可完成對于設備運行狀態的分析；

2）通過對基于感官體驗和虛擬現實的電力系統信息進行提取，利用圖像紋理特征提取技術，通過靜電力的反饋波形與觸覺渲染得到電力系統設備的圖片，可在線進行故障識別；

3）基于kNN算法的電力系統設備隱患在線識別方法識別準確率高于傳統方法，識別能力更強。